当前人工智能的发展，面临着两大核心学习途径的选择：模仿式学习与推演学习。这两种方式在实际应用中却面临着诸多挑战与困境。
关于模仿式学习。人工智能试图从过去的成功经验中汲取智慧，这些成功经验往往基于特定的历史背景和社会环境，时过境迁，难以直接套用。比如，我们如何模仿毛泽东的“持久战”、“游击战”策略，或是“美国独立战争”、“罗斯福新政”、“马歇尔计划”这些成功案例呢？这些策略的成功，离不开其特定的时代背景和国情。邓爷爷的“摸着石头过河”，体现的是一种灵活的、适应时代变化的智慧，而非简单的模仿。
关于推演学习。虽然阿尔法狗在围棋领域取得了巨大成功，但人类社会的发展却远非那么简单明了，没有固定的规则可供精确推演。有些革命家和经济学家曾尝试进行计划经济的实践，但最终并未如愿。如果真的有一天社会行为相关的事物可以被推演，那么人工智能的应用无疑会率先在股市预测等领域大放异彩。
至于人工智能治国，从目前来看，其可能性仍然较小。尽管在某些方面，如个人企业信用系统、人脸识别治安系统等方面有所突破，但整体而言，人工智能在治国理政方面的应用仍有诸多限制。其中，数据获取就是一个大问题。美国对于个人隐私数据的保护极为严格，这使得数据的获取变得困难，进而限制了人工智能的发展。
相比之下，中国在数据获取方面拥有较大优势。强势介入，可以轻易获取个人社保、车辆行驶、银行账户、微信聊天、支付宝数据以及社区监控摄像头等数据，对每个人进行精准画像。当千万人的数据被整合分析时，便可以对社区和社会进行一定程度的预测。这种数据的集中和使用的便捷性，也引发了一系列关于个人隐私保护和社会公正的问题，令人不得不深思。
人工智能的发展仍面临着诸多挑战与困境。虽然模仿与推演是两种重要的学习方式，但在实际应用中却需要灵活应对，结合实际情况做出调整。而在人工智能治国方面，尽管在某些领域有所突破，但整体而言，仍需要更多的与实践。
